Research indexJournal article
Внедрение цифровых водяных знаков в изображения с использованием методов машинного обучения
Асхабиев
Electronic Library of Peter the Great Polytechnic University1 Jan 2026Open access
NobleIDark:/48914/w1/20261105/12943A9BDOI10.18720/spbpu/3/2026/vr/vr26-399
Внедрение цифровых водяных знаков в изображения с использованием методов машинного обучения
Асхабиев · Electronic Library of Peter the Great Polytechnic University · 2026
NobleIDark:/48914/w1/20261105/12943A9BDOI10.18720/spbpu/3/2026/vr/vr26-399
Free to read at the publisher
You can read the abstract here, or the full text at the publisher.
Abstract
Целью работы является разработка подхода к встраиванию цифрового водяного знака в изображения на основе машинного обучения, обеспечивающего одновременное повышение визуального качества изображения и устойчивости восстановления водяного знака. Объектом исследования является цифровое изображение как носитель скрытой информации в системах цифрового водяного маркирования. Задачи, решаемые в ходе исследования: 1. Провести анализ существующих методов внедрения цифрового водяного знака, применяющие методы машинного обучения, и оценить их устойчивость к различным типам атак. 2. Разработать нейросетевую модель, способную одновременно обеспечивать высокую точность извлечения скрытой информации и минимальное визуальное искажение изображения, и провести его обучение на наборе изображений. 3. Выполнить экспериментальную оценку качества разработанной модели. 4. Проанализировать влияние различных атак на устойчивость цифрового водяного знака. В ходе выполнения выпускной квалификационной работы проведен сравнительный анализ подходов HiDDeN, RivaGAN и StegaStamp, а также реализован набор атак (сжатие, шумы, фильтрация, размытие, геометрические преобразования и др.) для проверки устойчивости цифрового водяного знака. Предложен каскадный нейросетевой подход, включающий энкодер, сеть улучшения качества и декодер; реализовано встраивание сообщения длиной 768 бит (с избыточностью за счет повторения). Выполнено обучение на наборе изображений Flickr8k и проведена оценка по метрикам PSNR, SSIM и Bit Accuracy. В результате работы в «чистом» сценарии получены высокие показатели качества и корректности извлечения цифрового водяного знака (Bit Accuracy = 97.38%, PSNR = 45 дБ, SSIM = 0.99). Показано, что метод демонстрирует хорошую устойчивость к ряду типовых искажений (шум, размытие, цветовые изменения), при этом наиболее сложными остаются воздействия, связанные со сжатием JPEG, обрезкой и некоторыми геометрическими преобразованиями. Полученные результаты могут быть использованы как основа для проектирования систем защиты визуального контента (контроль распространения, подтверждение авторства и отслеживание источников) и для дальнейших исследований по повышению устойчивости к геометрическим атакам и сильному сжатию. Для достижения данных результатов были разработаны программа с моделью каскадной архитектуры, программа для обучения модели, а также при обучении модели использовалась технология GPU-параллелизма на базе CUDA.